Для сельского хозяйства время имеет значение. Чем раньше обнаружена проблема на поле, тем больше шансов сохранить урожай и избежать лишних затрат. Но обследование больших площадей требует времени, а внешние признаки заболеваний растений не всегда позволяют быстро установить причину их появления.
Решение этой задачи ищут студенты 4-го курса образовательной программы «Информационные технологии и робототехника» КРУ им. Ахмет Байтұрсынұлы Данил РУШ и Жәңгір СӘТМЫРЗА. Их проект AgroVision использует технологии искусственного интеллекта для мониторинга сельскохозяйственных угодий.
Заведующая кафедрой программного обеспечения КРУ Ольга БИЖАНОВА отмечает, что алгоритмы пока не способны полностью заменить специалиста. Их главная задача - помочь агроному быстрее обнаружить проблему и выбрать дальнейшие действия.
При этом точность результата зависит от качества изображений, обучающих данных и способности модели работать в реальных полевых условиях.
Одна из сложностей - в том, что симптомы разных заболеваний могут быть похожими. Более того, изменения внешнего вида растения иногда связаны не с инфекцией, а с засухой или недостатком питательных веществ. Поэтому в дальнейшем разработчики рассматривают возможность учитывать дополнительные данные, в том числе погодные условия и состояние почвы.
- Цель - создать приложение, которому фермер или агроном сможет доверять как помощнику при принятии решений, - поясняет Ольга Бижанова.
Технология может быть полезна не только крупным сельскохозяйственным предприятиям. Для первичной диагностики достаточно смартфона, с помощью которого можно сфотографировать растение и загрузить изображение в приложение.
AgroVision развивается в рамках инициативы AI Sana. По словам Ольги Бижановой, для университета важно, чтобы студенческие разработки не оставались исключительно учебными проектами, а постепенно превращались в практические решения для региона.
Как работает AgroVision
- Работа начинается с мониторинга территории, - поясняет Данил Руш. - На карте NDVI отображаются участки, состояние растительности на которых отличается от окружающей территории. Это помогает определить потенциально проблемные зоны.
После обнаружения такого участка агроном выезжает на место и фотографирует растение. Затем искусственный интеллект анализирует изображение и предлагает наиболее вероятный вариант заболевания вместе с рекомендациями по дальнейшим действиям.
Дрон выполняет отдельную задачу: фотографирует поле, а программа анализирует изображения и выявляет сорняки. Сейчас именно на этом направлении сосредоточена работа системы дистанционного мониторинга.
- Карта размечает места, где были найдены сорняки, и показывает их количество. Это помогает не тратить химикаты впустую, а обрабатывать именно те участки, где они действительно необходимы, - отмечает Данил.
Нейросеть обучается на фотографиях
В основе системы распознавания изображений лежит CNN - свёрточная нейронная сеть, которая обучается находить характерные признаки на фотографиях.
По словам Данила Руша, модель обучалась на изображениях из собственных наборов данных, собранных на полях, а также на фотографиях из интернета.
Чем больше разнообразных примеров получает модель, тем больше возможностей у разработчиков совершенствовать её работу. Поэтому команда заинтересована в сотрудничестве с агрономами и сельскохозяйственными предприятиями, которые могли бы предоставить фотографии растений из реальных хозяйств.
Однако у технологии есть ограничения. Если искусственный интеллект столкнётся с заболеванием, которого нет в его обучающей базе, он, скорее всего, не сможет правильно распознать и предложит наиболее похожий из известных вариантов.
Это связано в том числе с тем, что приложение работает офлайн: модель использует знания, заложенные в неё во время обучения, и не может самостоятельно расширить их в момент диагностики.
Поэтому развитие проекта зависит не только от совершенствования алгоритмов, но и от сбора новых данных, проверки результатов и сотрудничества с практикующими специалистами.
Почему недостаточно найти фото в интернете?
На первый взгляд, может показаться, что для определения болезни растения достаточно сфотографировать его на смартфон и найти похожее изображение в интернете. Однако, по словам разработчика, AgroVision предлагает более комплексный подход.
Во-первых, приложение работает без подключения к сети, что позволяет использовать его непосредственно в поле. Во-вторых, система объединяет диагностику растений со спутниковым мониторингом и анализом территории с помощью дрона.
Это позволяет не только предположить, какое заболевание обнаружено у конкретного растения, но и определить, где находятся проблемные участки на большой площади.
Кроме того, AgroVision предусматривает рекомендации по борьбе с выявленными заболеваниями и возможность поиска поставщиков необходимых средств защиты растений. По словам разработчика, рекомендации составлялись совместно с агрономами.
Тем не менее, такая система не отменяет профессиональную оценку. Перед применением препарата важно убедиться в правильности диагноза и обоснованности выбранного способа обработки.
Как проверить эффективность технологии?
По словам Данила Руша, оценивать эффективность AgroVision можно по нескольким показателям: урожайности, затратам на средства борьбы с сорняками и потерям, связанным с заболеваниями растений.
Например, если хозяйство сможет сократить расходы на обработку полей без снижения урожайности, это станет одним из аргументов в пользу технологии. Если своевременное обнаружение заболеваний позволит уменьшить потери, это также подтвердит практическую ценность системы.
Пока говорить о конкретном размере экономии преждевременно: для этого нужны испытания в реальных условиях и сопоставимые данные за разные периоды.
Фото предоставлены КРУ имени Ахмет Байтұрсынұлы
Автор - студентка 3-го курса кафедры журналистики КРУ